深度預測：基於深度學習的時空預測

題目：

Deep Forecast： Deep Learning-based Spatio-Temporal Forecasting

作者：

Amir Ghaderi，Borhan M。 Sanandaji，Faezeh Ghaderi

Accepted to the ICML 2017

Machine Learning （cs。LG）

Submitted on 24 Jul 2017

文件連結：

arXiv：1707。08110

程式碼連結：

https：//

github。com/amirstar/Dee

p-Forecast

摘要

本文提出了一種使用深度學習（DL）的時空風速預測演算法，特別是迴歸神經網路（RNNs）。在可再生能源整合和智慧電網的最新進展的推動下，我們將所提出的演算法應用於風速預測。可再生能源（風能和太陽能）本質上是隨機的，因此，透過準確的短期預測可以促進其整合。在我們提出的框架中，我們透過圖表對時空資訊進行建模，其節點是資料生成實體，其邊緣基本上模擬這些節點如何相互互動。我們工作的主要貢獻之一是我們基於一個框架同時獲得圖的所有節點的預測。

英文原文

We report on a series of experiments with convolutional neural networks （CNN） trained on top of pre-trained word vectors for sentence-level classification tasks。 We show that a simple CNN with little hyperparameter tuning and static vectors achieves excellent results on multiple benchmarks。 Learning task-specific vectors through fine-tuning offers further gains in performance。 We additionally propose a simple modification to the architecture to allow for the use of both task-specific and static vectors。 The CNN models discussed herein improve upon the state of the art on 4 out of 7 tasks， which include sentiment analysis and question classification。

要點

圖1：用兩個通道為一個示例句子建模體系結構。